[发明专利]一种轻量化车辆检测方法、系统及计算机可读介质

说明书

本发明涉及一种轻量化车辆检测方法、系统及计算机可读介质，其中车辆检测方法包括：步骤1：获取源点云数据以及标签；步骤2：对步骤1获取的点云数据进行预处理；步骤3：构建轻量化的车辆检测模型，使用步骤2中预处理后的数据对车辆检测模型进行训练；步骤4：实时获取待检测车辆的源点云数据，并对其进行预处理，将预处理后的点云数据输入训练好的车辆检测模型；步骤5：输出当前车辆的车辆检测结果。与现有技术相比，本发明具有轻量化、准确率高等优点。

技术领域

本发明涉及自动驾驶车辆检测方法技术领域，尤其是涉及一种轻量化车辆检测方法、系统及计算机可读介质。

背景技术

车辆检测技术是3D目标检测的一种，它是计算机视觉领域研究的热点，也是自动驾驶中的关键技术，相比于2D，3D检测需要输出物体类别及在三维空间中的长宽高、旋转角等信息，数据由稠密的2D图像变为了稀疏的3D点云。在自动驾驶场景下，需要从数据中提供目标物体三维大小及旋转角度等指标，在鸟瞰投影的信息对于后续自动驾驶场景中的路径规划和控制具有至关重要的作用。

车辆检测主要考虑两方面的问题：(1)准确率。点云数据是由激光雷达采集的稀疏数据，正样本的比例相较于稠密的图片数据更加稀少，正负样本比例严重失衡会极大的影响分类的准确率。自动驾驶系统的底线要求是安全性，车辆检测模块的任何漏检、误检都会为自动驾驶带来极大的安全隐患。目前自动驾驶领域的车辆检测技术主要分为两类：一、基于点云的车辆检测，二、基于体素的车辆检测。前者利用全部的点云数据，可以获得相对较高的准确率。后者对点云体素化处理，数据被压缩后失去部分信息，会降低部分精度。但目前得益于深度学习的巨大发展，两种数据的差距在不断缩小，尤其是Voxelnet提出之后，体素化的方法在精度性能上已经不弱于直接利用点云的方法。(2)实时性，在自动驾驶系统中，激光雷达、相机、GPS等多种传感器收集原石数据，传入检测感知模块，通过模块处理之后得到的数据信息是系统判断周围环境的关键数据。目前检测感知模块的瓶颈在于庞杂的原始数据与较慢的模型处理速度之间的不平衡，尤其是3D卷积计算时，模型需要消耗大量时间才能完成运算，这也限制了模型最终的推理速度。诸如稀疏卷积等方法的提出可以大大的提高3D的卷积速度，但是3D卷积的运算方式决定了其运算次数必定比2D的卷积高一个数量级。而且模型的参数量也比2D卷积大幅增加，进一步增加了模型训练和推理的困难。在高性能GPU中尚不能做到实时推断，在计算资源稀缺的汽车中部署更加困难。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种检测准确率高的轻量化车辆检测方法、系统及计算机可读介质。

本发明的目的可以通过以下技术方案来实现：

一种轻量化车辆检测方法，所述的检测方法包括：

步骤1：获取源点云数据以及标签；

步骤2：对步骤1获取的点云数据进行预处理；

步骤3：构建轻量化的车辆检测模型，使用步骤2中预处理后的数据对车辆检测模型进行训练；

步骤4：实时获取待检测车辆的源点云数据，并对其进行预处理，将预处理后的点云数据输入训练好的车辆检测模型；

步骤5：输出当前车辆的车辆检测结果。

优选地，所述的步骤1具体为：

通过设置在车辆上的激光雷达扫描环境，获得点云数据集合{P_i|i＝1,2,…,n}，其中点云集合中点的数量为n，每个点P_i代表该点的3D坐标，同时在点云数据集合中添加标签。

优选地，所述的步骤2具体为：

设定检测范围，将超出或不在范围内的点云数据删除，获得预处理后的点云集合P_i'。

优选地，所述步骤3中的车辆检测模型具体为：